Horizon Nexus Journal |
Vol
.
0
4
| Núm
.
0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
ISSN:
3073
-
1275
239
Articulo
Inteligencia artificial y educación inclusiva: oportunidades y
desafíos en la intervención psicoeducativa
Artificial intelligence and inclusive education: opportunities and challenges
in psychoeducational intervention
Dayana Jamileth Huacon Tumbaco
1
*
y
Milton Alfonso Criollo Turusina
2
1
Universidad Estatal De Milagro
de
Milagro
,
Ecuador
;
https://orcid.org/0009
-
0007
-
7420
-
5892
2
Universidad Estatal De Milagro
de
Milagro
, Ecuador;
https://orcid.org/0000
-
0002
-
3394
-
1160
;
mcriollot2@unemi.edu.ec
*
Correspondencia
:
dhuacont2@unemi.edu.ec
https://doi.org/10.70881/hnj/v4/n3/157
Resumen:
La inteligencia artificial (IA) está modificando la manera en que
las instituciones
educativas adaptan contenidos, organizan apoyos y
acompañan a estudiantes con necesidades educativas especiales. El
artículo analiza la relación entre la integración pedagógica de herramientas
de IA y el fortalecimiento de la educación inclusiva en interve
nciones
psicoeducativas. Se realizó una revisión sistemática y crítica de literatura
publicada entre 2020 y 2026. La búsqueda en Scopus, Web of Science, ERIC
y Dialnet identificó 456 registros; después del proceso de depuración y
cribado se incluyeron 46 e
studios. La evidencia se organizó en cuatro ejes:
personalización del aprendizaje, accesibilidad multimodal, preparación
docente y gobernanza ética. Los estudios reportan mejoras en acceso a
contenidos, participación, autonomía, habilidades sociales y redu
cción de
tareas administrativas. También describen brechas de infraestructura, sesgo
algorítmico, riesgos para la privacidad, sobrecarga sensorial y dependencia
de plataformas. Se concluye que la IA aporta a la inclusión cuando responde
a una necesidad edu
cativa definida, se integra con el Diseño Universal para
el Aprendizaje, conserva la supervisión profesional y se implementa
mediante protocolos institucionales de validación y protección de datos.
Palabras clave:
inteligencia artificial;
educación inclusiva; intervención
psicoeducativa; necesidades educativas especiales; accesibilidad digital;
Diseño Universal para el Aprendizaje.
A
bstract:
Artificial intelligence (AI) is changing how educational institutions
adapt content, organise s
upport, and assist students with special educational
needs. This article analyses the relationship between the pedagogical
integration of AI tools and the strengthening of inclusive education in
psychoeducational interventions. A systematic and critical re
view of literature
published between 2020 and 2026 was conducted. Searches in Scopus, Web
of Science, ERIC, and Dialnet identified 456 records, of which 46 studies
were included after deduplication and screening. Evidence was organised
into four areas: lea
rning personalisation, multimodal accessibility, teacher
readiness, and ethical governance. The studies report improvements in
access to content, participation, autonomy, social skills, and reduction of
administrative workload. They also identify infrastru
cture gaps, algorithmic
bias, privacy risks, sensory overload, and platform dependence. AI
Cita:
Huacon Tumbaco, D. J., &
Criollo Turusina, M. A. (2026).
Inteligencia artificial y educación
inclusiva: oportunidades y
desafíos en la intervención
psicoeducativa.
Horizon Nexus
Journal
,
4
(3), 239
-
262.
https://doi.org/10.70881/hnj/v4/n3
/157
Recibido:
0
5
/
0
7
/20
26
Revisado:
17
/
0
8
/20
26
Aceptado:
19
/
0
8
/20
26
Publicado:
01
/
0
9
/20
26
Copyright:
© 202
6
por los
autores
.
Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
240
contributes to inclusion when it addresses a clearly defined educational need,
is aligned with Universal Design for Learning, remains under professional
supervision,
and is implemented through institutional protocols for validation
and data protection.
Keywords:
artificial intelligence; inclusive education; psychoeducational
intervention; special educational needs; digital accessibility; Universal Design
for
Learning.
1. Introducción
La educación inclusiva busca garantizar el acceso, la participación, el aprendizaje y el
bienestar de estudiantes con características y necesidades diversas. Su alcance supera
la presencia física en aulas regulares, pues exige tra
nsformar culturas, políticas y
prácticas para reducir barreras curriculares, comunicativas, tecnológicas y actitudinales.
Desde esta perspectiva, las dificultades educativas surgen de la interacción entre las
características del estudiante y un entorno que
puede facilitar o restringir su participación
(Booth & Ainscow, 2011; Ainscow, 2020). Por ello, la diversidad debe asumirse como un
criterio de planificación del proceso educativo y no como una excepción que se atiende
únicamente mediante ajustes individu
ales.
La intervención psicoeducativa contribuye a este propósito mediante la identificación de
necesidades, el diseño de apoyos, la adaptación de materiales y el acompañamiento a
docentes y familias. Su efectividad depende de la coordinación entre los dist
intos
contextos en los que participa el estudiante, lo que coincide con la perspectiva ecológica
del desarrollo (Bronfenbrenner, 1979). Asimismo, el Diseño Universal para el
Aprendizaje propone anticipar la variabilidad mediante múltiples formas de
represe
ntación, acción, expresión y compromiso, favoreciendo entornos más flexibles y
accesibles (Meyer et al., 2014).
En este contexto, la inteligencia artificial (IA) ha adquirido relevancia por su capacidad
para procesar información, adaptar contenidos, automa
tizar tareas y generar apoyos
diferenciados. Entre sus aplicaciones educativas se encuentran los sistemas
adaptativos, tutores inteligentes, modelos de lenguaje, analítica del aprendizaje, texto a
voz, voz a texto, subtitulado, traducción automática, recon
ocimiento gestual y realidad
virtual. La evidencia reciente señala beneficios potenciales en personalización, acceso
a contenidos y participación, siempre que las herramientas respondan a una finalidad
pedagógica definida y permanezcan bajo revisión profes
ional (Li et al., 2025; Melo
-
López et al., 2025; Voultsiou & Moussiades, 2025).
La personalización asistida por IA permite ajustar ritmo, dificultad, secuencia, formato y
retroalimentación, pero la adaptación automática no equivale a una comprensión
integr
al del estudiante, ya que puede omitir factores emocionales, familiares, culturales
o comunicativos. Por ello, sus resultados deben utilizarse como apoyo al juicio
pedagógico y articularse con el Diseño Universal para el Aprendizaje (Li et al., 2025;
Meyer
et al., 2014). De forma complementaria, las herramientas multimodales pueden
reducir barreras visuales, auditivas, motrices o comunicativas, aunque su utilidad
depende de la precisión, conectividad y usabilidad. En realidad virtual se han reportado
mejora
s en habilidades sociales, junto con mareo, fatiga visual, ansiedad y sobrecarga
sensorial, lo que exige valorar beneficios y seguridad de manera conjunta (Melo
-
López
et al., 2025; Yang et al., 2025).
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
241
La integración de estas herramientas también está condi
cionada por la preparación
docente, la infraestructura, el soporte institucional y la participación familiar. La utilidad
percibida, la facilidad de uso, la autoeficacia y la ansiedad influyen en la aceptación de
la IA, por lo que la capacitación debe incl
uir criterios pedagógicos, técnicos y éticos (Guo
et al., 2025; Amouri et al., 2025). Wang et al. (2026) observaron una mayor efectividad
percibida cuando el involucramiento familiar era alto. A la vez, el tratamiento de
información académica, conductual o
diagnóstica plantea riesgos de privacidad, sesgo
algorítmico, opacidad y dependencia tecnológica, por lo que se requieren minimización
de datos, validación contextual y supervisión humana (Lockwood et al., 2026; Oliver,
1983).
Aunque la literatura muestra
resultados prometedores, persisten muestras reducidas,
intervenciones breves, heterogeneidad metodológica y menor atención al bienestar, la
autonomía y la pertenencia (Li et al., 2025; Melo
-
López et al., 2025). En función de estos
vacíos se plantea la pre
gunta: ¿de qué manera la integración pedagógica de
herramientas de inteligencia artificial se relaciona con el fortalecimiento de la educación
inclusiva en la intervención psicoeducativa dirigida a estudiantes con necesidades
educativas especiales, según l
a evidencia científica publicada entre 2020 y 2026? En
correspondencia, el objetivo del estudio es analizar dicha relación mediante una revisión
sistemática de la evidencia publicada en ese periodo, considerando las principales
aplicaciones, resultados, co
ndiciones de implementación y riesgos.
2. Materiales y Métodos
2.1. Enfoque, diseño y alcance de la investigación
La investigación se desarrolló mediante un enfoque cualitativo con apoyo cuantitativo
descriptivo. El componente cualitativo permitió interpre
tar las aplicaciones de
inteligencia artificial, sus aportes a la educación inclusiva y las condiciones que influyen
en su implementación. El componente cuantitativo se utilizó para organizar frecuencias,
porcentajes, tamaños de muestra, coeficientes e ind
icadores reportados por los estudios
incluidos.
El diseño fue no experimental, documental y transversal, debido a que no se
manipularon variables ni se aplicaron intervenciones directas con estudiantes, docentes
o familias. La unidad de análisis
estuvo constituida por artículos científicos publicados
entre 2020 y 2026. El alcance fue descriptivo e interpretativo, ya que se caracterizaron
las tecnologías, poblaciones, contextos y resultados, y posteriormente se analizaron las
relaciones entre la in
tegración pedagógica de la inteligencia artificial y el fortalecimiento
de la educación inclusiva.
Las principales decisiones metodológicas se presentan en la Tabla 1.
Tabla 1. Características metodológicas de la investigación
Componente
Determinación metodológica
Aplicación en el estudio
Enfoque
Cualitativo con apoyo
cuantitativo descriptivo
Interpretación temática y organización de
resultados numéricos reportados
Tipo de estudio
Revisión sistemática
documental
Identificación, selección y síntesis de evidencia
científica
Diseño
No experimental y transversal
Análisis de publicaciones sin manipulación de
variables
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
242
Alcance
Descriptivo e interpretativo
Caracterización de aplicaciones y análisis de sus
implicaciones
Periodo
2020
-
2026
Delimitación temporal de la literatura revisada
Unidad de
análisis
Artículos científicos
Evaluación individual de cada publicación
incluida
Fuente:
elaboración propia con base en Page et al. (2021) y Ouzzani et al. (2016).
2.2. Tipo de revisión y pregunta de investigación
El estudio correspondió a una revisión sistemática de literatura con análisis crítico y
síntesis temática. Este diseño permitió id
entificar, seleccionar, evaluar y organizar
evidencia científica sobre inteligencia artificial, educación inclusiva, necesidades
educativas especiales e intervención psicoeducativa.
La revisión se orientó mediante la siguiente pregunta:
¿De qué manera la i
ntegración pedagógica de herramientas de inteligencia artificial se
relaciona con el fortalecimiento de la educación inclusiva en la intervención
psicoeducativa dirigida a estudiantes con necesidades educativas especiales, según la
evidencia científica pub
licada entre 2020 y 2026?
Para estructurar la pregunta se establecieron cinco componentes: población,
intervención, contexto, resultados y periodo. Estos elementos se detallan en la Tabla 2.
Tabla 2. Componentes de la pregunta de revisión
Componente
Descri
pción
Población
Estudiantes con necesidades educativas especiales, discapacidad o barreras
de aprendizaje y participación
Intervención
Herramientas y sistemas basados en inteligencia artificial
Contexto
Educación inclusiva e intervención
psicoeducativa
Resultados
Aprendizaje, participación, accesibilidad, autonomía, habilidades sociales y
bienestar
Periodo
Estudios publicados entre 2020 y 2026
Fuente:
elaboración propia.
2.3. Fuentes de información
La búsqueda bibliográfica se
realizó en Scopus, Web of Science, Education Resources
Information Center y Dialnet. Estas bases fueron seleccionadas por su cobertura de
investigaciones educativas, psicológicas, tecnológicas e interdisciplinarias.
Scopus y Web of Science facilitaron la r
ecuperación de publicaciones internacionales
indexadas. Education Resources Information Center permitió localizar estudios
especializados en educación, mientras que Dialnet amplió la identificación de literatura
científica publicada en español. Además, se
revisaron las listas de referencias de los
artículos seleccionados para identificar estudios adicionales relacionados con el tema.
La selección de varias bases respondió a la necesidad de reducir el sesgo de cobertura
y ampliar la representación de publica
ciones internacionales y regionales, de acuerdo
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
243
con las recomendaciones para revisiones sistemáticas establecidas por Page et al.
(2021).
2.4. Estrategia de búsqueda
La búsqueda combinó descriptores en español e inglés relacionados con las variables
centra
les del estudio. Se utilizaron los siguientes términos:
•
“artificial intelligence”;
•
“inteligencia artificial”;
•
“inclusive education”;
•
“educación inclusiva”;
•
“special educational needs”;
•
“necesidades educativas especiales”;
•
“psychoeducational intervention”;
•
“intervención psicoeducativa”;
•
“assistive technology”;
•
“tecnología asistiva”;
•
“Universal Design for Learning”;
•
“Diseño Universal para el Aprendizaje”;
•
“virtual reality”;
•
“large language models”;
•
“accessibility”.
Los términos se combinaron mediante los operadores booleanos AND y OR.
La
estructura general de búsqueda fue la siguiente:
(“artificial intelligence” OR “inteligencia artificial” OR “large language models”) AND
(“inclusive education” OR “educación inclusiv
a” OR “special educational needs”) AND
(“psychoeducational intervention” OR “assistive technology” OR “accessibility”).
Las ecuaciones se ajustaron según la sintaxis de cada base de datos y se aplicaron en
títulos, resúmenes y palabras clave. El uso de ope
radores booleanos permitió ampliar o
restringir los resultados de acuerdo con la relación entre inteligencia artificial, inclusión
e intervención psicoeducativa.
2.5. Criterios de inclusión y exclusión
Los criterios de elegibilidad se definieron antes del
proceso de selección con el propósito
de mantener consistencia y reducir decisiones arbitrarias. Como se resume en la Tabla
3, se incluyeron artículos revisados por pares y se excluyeron documentos sin relación
directa con el objeto de estudio.
Tabla 3. Cr
iterios de inclusión y exclusión
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
244
Criterios de inclusión
Criterios de exclusión
Artículos científicos revisados por pares
Registros duplicados
Publicaciones entre 2020 y 2026
Editoriales, cartas o notas de opinión
Estudios en español o inglés
Resúmenes sin texto completo
Investigaciones sobre IA aplicada a
educación
Tesis o documentos no publicados en
revistas
Relación con inclusión, discapacidad o
necesidades educativas especiales
Estudios de IA educativa sin vínculo con
inclusión
Estudios empíricos, teóricos o revisiones
sistemáticas
Investigaciones exclusivamente técnicas
Metodología claramente descrita
Artículos sin información suficiente sobre
población, tecnología o resultados
Disponibilidad del texto completo
Publicaciones f
uera del periodo o en otros
idiomas
Fuente:
elaboración propia con base en Page et al. (2021).
2.6. Proceso de selección de los estudios
La identificación y selección de documentos siguió las recomendaciones de la
declaración PRISMA 2020, que
establece criterios para transparentar las fases de
identificación, cribado, elegibilidad e inclusión en revisiones sistemáticas (Page et al.,
2021).
El procedimiento se desarrolló en cuatro etapas:
Identificación
La búsqueda inicial permitió recuperar 456
registros procedentes de Scopus, Web of
Science, Education Resources Information Center y Dialnet.
Depuración
Los registros fueron exportados a un gestor bibliográfico. Se eliminaron duplicados,
publicaciones fuera del periodo establecido y documentos que
no correspondían a
artículos científicos.
Cribado y elegibilidad
Se revisaron los títulos y resúmenes de los registros depurados. Los artículos
potencialmente relevantes fueron evaluados a texto completo para verificar su
correspondencia con los criterios
de inclusión y exclusión.
Inclusión
Después del proceso de cribado y revisión a texto completo, se seleccionaron 46
artículos científicos para la síntesis final. La selección se realizó en función de su
pertinencia temática, claridad metodológica y relaci
ón con las variables del estudio.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
245
La secuencia de selección deberá representarse mediante la Figura 1, correspondiente
al diagrama de flujo PRISMA.
Figura 1. Diagrama de flujo del proceso de selección de estudios según PRISMA
2020
Fuente:
elaboración propia con base en Page et al. (2021).
En el texto previo a la figura debe indicarse que la Figura 1 muestra el recorrido de los
registros desde su identificación hasta la selección final de los 46 artículos incluidos.
Después de la fig
ura debe explicarse que el diagrama permite verificar la trazabilidad
del corpus documental y justificar las exclusiones efectuadas.
2.7. Gestión de los registros
Los artículos recuperados fueron organizados mediante un gestor bibliográfico y
posteriorment
e revisados con el apoyo de Rayyan QCRI. Esta aplicación facilita la
identificación de duplicados, el cribado de títulos y resúmenes y la comparación de
decisiones durante una revisión sistemática (Ouzzani et al., 2016).
Cada publicación recibió un código
de identificación. Esta codificación permitió vincular
el artículo original con la matriz de extracción, las categorías analíticas y la síntesis final.
El registro ordenado de las decisiones metodológicas contribuyó a mantener la
trazabilidad del proceso.
2.8. Población y muestra documental
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
246
La población documental estuvo conformada por los 456 registros recuperados durante
la búsqueda inicial. La muestra final quedó integrada por 46 artículos científicos
publicados entre 2020 y 2026.
El muestreo fue no prob
abilístico e intencional por criterios, debido a que los
documentos fueron seleccionados según su pertinencia temática, calidad metodológica
y relación con inteligencia artificial, educación inclusiva e intervención psicoeducativa.
Los artículos incluidos
abordaron las siguientes tecnologías y aplicaciones:
•
sistemas de aprendizaje adaptativo;
•
tutores inteligentes;
•
modelos de lenguaje;
•
texto a voz y voz a texto;
•
subtitulado y traducción automática;
•
analítica del aprendizaje;
•
realidad virtual;
•
comunicación au
mentativa;
•
adaptación de materiales;
•
automatización de reportes psicoeducativos.
2.9. Técnica e instrumento de recolección
La técnica utilizada fue la revisión documental. Como instrumento se empleó una matriz
de extracción diseñada para registrar de
forma homogénea la información de cada
artículo.
Las categorías incluidas en el instrumento se presentan en la Tabla 4.
Tabla 4. Estructura de la matriz de extracción de información
Categoría
Información registrada
Identificación
Autor, año,
título, revista y país
Metodología
Enfoque, diseño, población, muestra e instrumentos
Tecnología
Tipo de sistema o herramienta de inteligencia artificial
Contexto
Nivel educativo y ámbito de intervención
Finalidad
Personalización,
accesibilidad, evaluación, comunicación o seguimiento
Resultados
Aprendizaje, participación, autonomía, habilidades sociales y bienestar
Condiciones
Formación docente, infraestructura, familia y apoyo institucional
Riesgos
Privacidad, sesgo,
dependencia, opacidad y sobrecarga sensorial
Limitaciones
Restricciones metodológicas señaladas por los autores
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
247
Recomendaciones
Orientaciones para investigación e implementación
Fuente:
elaboración propia con base en Li et al. (2025), Melo
-
López et al. (2025) y
Voultsiou y Moussiades (2025).
Como se observa en la Tabla 4, la matriz permitió comparar estudios con diseños y
tecnologías diferentes mediante un conjunto común de categorías.
2
.10. Categorías de análisis
La información extraída se organizó en cuatro categorías centrales.
Personalización del aprendizaje
Incluyó sistemas destinados a ajustar dificultad, ritmo, secuencia, formato y
retroalimentación según las características del es
tudiante. Esta categoría se
fundamentó en los aportes de Li et al. (2025), quienes identificaron la personalización
como una de las aplicaciones más frecuentes de la IA en educación inclusiva.
Accesibilidad multimodal
Comprendió herramientas de texto a voz
, voz a texto, subtitulado, traducción,
reconocimiento gestual, representación visual y comunicación aumentativa. Esta
categoría se relacionó con el Diseño Universal para el Aprendizaje, que promueve
múltiples formas de representación, expresión y particip
ación (Meyer et al., 2014).
Preparación docente y condiciones institucionales
Incluyó utilidad percibida, facilidad de uso, autoeficacia, ansiedad, formación,
infraestructura, soporte técnico y liderazgo. Su inclusión se apoyó en Guo et al. (2025)
y Amouri
et al. (2025), quienes analizaron los factores que influyen en la aceptación
docente de la inteligencia artificial.
Gobernanza ética
Consideró privacidad, consentimiento, protección de datos, sesgo algorítmico,
explicabilidad, supervisión humana y respons
abilidad profesional. Esta categoría
permitió examinar los riesgos asociados con el tratamiento de información sensible y la
transferencia de decisiones a sistemas automatizados.
La relación entre las categorías y sus indicadores se sintetiza en la Tabla 5
.
Tabla 5. Categorías e indicadores de análisis
Categoría
Indicadores principales
Personalización
Ajuste de dificultad, ritmo, secuencia, contenido y
retroalimentación
Accesibilidad
Texto a voz, voz a texto, subtitulado, traducción y formatos
alternativos
Preparación docente
Utilidad, facilidad de uso, autoeficacia, formación y soporte
Condiciones
institucionales
Infraestructura, liderazgo, conectividad y participación familiar
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
248
Gobernanza ética
Privacidad, consentimiento, sesgo, explicabilid
ad y supervisión
humana
Resultados inclusivos
Aprendizaje, participación, autonomía, interacción social y
bienestar
Fuente:
elaboración propia con base en Meyer et al.
(2014), Guo et al. (2025), Li et al.
(2025) y Melo
-
López et al. (2025).
2.11.
Procesamiento y análisis de la información
El procesamiento se desarrolló mediante las siguientes etapas:
1.
Organización de los artículos en una matriz electrónica.
2.
Lectura completa de cada publicación.
3.
Extracción de datos metodológicos y resultados.
4.
Codific
ación de las aplicaciones de inteligencia artificial.
5.
Clasificación de los hallazgos según las categorías establecidas.
6.
Comparación de similitudes y diferencias entre estudios.
7.
Identificación de patrones, barreras y condiciones recurrentes.
8.
Integración de los hallazgos mediante síntesis temática.
9.
Interpretación de los resultados en relación con la pregunta de investigación.
El análisis cuantitativo fue descriptivo. Se organizaron frecuencias, porcentajes,
tamaños de muestra, coeficientes y ot
ros valores reportados por los artículos. No se
realizó metaanálisis debido a la heterogeneidad de las poblaciones, tecnologías,
diseños e instrumentos.
El análisis cualitativo permitió interpretar los hallazgos y establecer relaciones entre las
funciones
tecnológicas, las necesidades educativas atendidas y las condiciones de
implementación. La síntesis temática siguió criterios de agrupación, comparación e
interpretación de patrones recurrentes.
2.12. Evaluación de la calidad metodológica
La calidad de los
estudios se examinó mediante los criterios presentados en la Tabla 6.
Tabla 6. Criterios de evaluación metodológica
Criterio
Descripción
Claridad del objetivo
Correspondencia entre problema, objetivo y resultados
Coherencia metodológica
Adecuación del diseño al propósito del estudio
Descripción de la muestra
Información suficiente sobre participantes o corpus
Definición de la tecnología
Identificación de la herramienta y su función
Indicadores de resultado
Claridad de las
variables o dimensiones evaluadas
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
249
Correspondencia analítica
Relación entre datos, interpretación y conclusiones
Limitaciones
Reconocimiento de restricciones metodológicas
Ética
Descripción de consentimiento, privacidad o protección de
datos
Transparencia
Disponibilidad de información sobre procedimientos y análisis
Fuente: elaboración propia con base en Page et al. (2021).
Como se muestra en la Tabla 6, la evaluación no se limitó a la presencia de resultados
positivos, sino que
consideró la coherencia y transparencia de cada investigación. Los
estudios no fueron excluidos únicamente por presentar limitaciones; estas fueron
registradas y consideradas durante la interpretación.
2.13. Consideraciones éticas
La investigación utilizó
fuentes secundarias y no implicó contacto directo con
estudiantes, docentes o familias. Por esta razón, no se recopilaron datos personales ni
se aplicaron instrumentos de campo.
Se respetaron los principios de integridad académica mediante la citación de l
as fuentes,
la correspondencia entre citas y referencias, la presentación fiel de los resultados y la
diferenciación entre los hallazgos originales y la interpretación realizada en la revisión.
En el análisis de las aplicaciones educativas se consideraron
la privacidad, el
consentimiento informado, la seguridad de las plataformas, el sesgo algorítmico, la
explicabilidad y la supervisión profesional. Estos criterios resultan especialmente
relevantes cuando la IA procesa información de menores de edad o estud
iantes con
necesidades educativas especiales.
3.
Resultados
3.1. Caracterización general de los estudios incluidos
La revisión sistemática permitió identificar 456 registros en Scopus, Web of Science,
ERIC y Dialnet. Después de eliminar
duplicados, revisar títulos y resúmenes y aplicar
los criterios de elegibilidad, se seleccionaron 46 artículos científicos publicados entre
2020 y 2026. Los estudios incluidos abordaron el uso de inteligencia artificial en
educación inclusiva, educación es
pecial, intervención psicoeducativa, accesibilidad
digital y formación docente. El corpus final reunió investigaciones empíricas, revisiones
sistemáticas y estudios instrumentales, lo que permitió integrar resultados cuantitativos
y hallazgos interpretativ
os.
La evidencia analizada mostró una concentración de estudios en cuatro áreas:
personalización del aprendizaje, accesibilidad multimodal, preparación docente y
gobernanza ética. También se identificaron investigaciones sobre realidad virtual,
modelos de
lenguaje, sistemas de comunicación aumentativa, analítica educativa y
automatización de tareas profesionales. La Tabla 7 resume las principales aplicaciones
encontradas y los efectos educativos asociados.
Tabla 7. Principales aplicaciones de inteligencia a
rtificial identificadas en los
estudios
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
250
Aplicación
Función educativa
Resultados
reportados
Condiciones de
aplicación
Sistemas
adaptativos y
tutores inteligentes
Ajustar dificultad,
ritmo y
retroalimentación
Mejora del acceso al
currículo y apoyo al
aprendizaje
Objetivos
pedagógicos claros
y seguimiento
docente
Modelos de
lenguaje
Generar, simplificar y
adaptar materiales
Diversificación de
recursos y reducción del
tiempo de preparación
Revisión de
exactitud y
pertinencia
curricular
Texto a voz y
voz a
texto
Transformar
información escrita y
oral
Mayor accesibilidad
para estudiantes con
barreras visuales,
lectoras o
comunicativas
Calidad lingüística
y compatibilidad
tecnológica
Subtitulado y
traducción
automática
Facilitar el acceso
auditivo y lingüístico
Incremento de la
participación y
comprensión
Revisión de errores
y adaptación al
contexto
Realidad virtual
Simular escenarios y
practicar habilidades
sociales
Mejoras en interacción
social y entrenamiento
conductual
Control de fatig
a,
mareo y
sobrecarga
sensorial
Analítica educativa
Organizar
información y
reconocer patrones
Apoyo al seguimiento y
detección de
necesidades
Protección de
datos y supervisión
profesional
Automatización de
reportes
Elaborar borradores y
clasificar información
Reducción de carga
administrativa
Validación del
contenido antes de
su uso
Fuente:
elaboración propia con base en Li et al. (2025), Melo
-
López et al. (2025),
Voultsiou y Moussiades (2025) y Yang et al. (2025).
Como se observa en la
Tabla 7, la personalización y la accesibilidad fueron las
aplicaciones más recurrentes. Los sistemas adaptativos permitieron modificar el nivel
de dificultad, la secuencia y el tipo de retroalimentación, mientras que las herramientas
multimodales facilitar
on la transformación de contenidos en formatos auditivos, visuales
y textuales. Los beneficios fueron más evidentes cuando las herramientas se integraron
en una planificación educativa previamente definida y permanecieron bajo revisión
profesional.
3.2. Pe
rsonalización del aprendizaje
La personalización asistida apareció como una de las principales posibilidades de la
inteligencia artificial en contextos inclusivos. Los estudios describieron sistemas
capaces de ajustar ejercicios, ritmo, complejidad, format
o y retroalimentación según el
desempeño del estudiante. Li et al. (2025), a partir de una revisión de 16 estudios
empíricos, identificaron resultados favorables en aprendizaje y participación cuando las
herramientas proporcionaron rutas adaptativas y retr
oalimentación específica.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
251
Los modelos de lenguaje también fueron utilizados para simplificar textos, generar
ejemplos, adaptar instrucciones y producir actividades con distintos niveles de
complejidad. Estas funciones redujeron el tiempo requerido para
preparar materiales
diferenciados. Sin embargo, los estudios señalaron que la calidad de los resultados
dependió de la revisión docente, debido a que podían aparecer errores, explicaciones
poco precisas o contenidos que no correspondían con el nivel curric
ular.
La personalización fue más efectiva cuando conservó objetivos comunes para el grupo
y modificó los medios de acceso o expresión. Cuando se utilizó para crear trayectorias
completamente separadas, existió el riesgo de aumentar el aislamiento del estud
iante.
Por ello, la adaptación tecnológica mostró mayor coherencia con la educación inclusiva
cuando se articuló con los principios del Diseño Universal para el Aprendizaje.
3.3. Accesibilidad multimodal
La accesibilidad multimodal incluyó herramientas de
texto a voz, voz a texto, subtitulado,
traducción automática, reconocimiento gestual, simplificación lingüística y
representación visual. Estas aplicaciones permitieron presentar una misma información
mediante distintos canales, lo que favoreció a estudian
tes con discapacidad visual,
auditiva, motriz, cognitiva o dificultades de comunicación.
Melo
-
López et al. (2025) identificaron que la inteligencia artificial puede mejorar el
acceso a materiales y ampliar las posibilidades de participación. No obstante, l
os
resultados estuvieron condicionados por la calidad técnica de las plataformas, la
disponibilidad de dispositivos y la conectividad. Los errores en subtítulos,
transcripciones o traducciones podían introducir nuevas barreras, especialmente
cuando no exis
tía revisión humana.
Los estudios relacionados con comunicación aumentativa señalaron que las
aplicaciones fueron más útiles cuando se configuraron según las preferencias del
estudiante. Los sistemas genéricos presentaron dificultades para reconocer
determ
inados acentos, patrones de habla o formas de comunicación. En consecuencia,
la accesibilidad efectiva requirió personalización, pruebas de usabilidad y participación
directa de los usuarios.
La Tabla 8 presenta la relación entre las principales funciones
de accesibilidad y los
resultados inclusivos informados.
Tabla 8. Funciones de accesibilidad multimodal y resultados asociados
Función
Barrera atendida
Resultado reportado
Limitación
identificada
Texto a voz
Dificultad de lectura
o
discapacidad
visual
Mayor acceso a
contenidos escritos
Voces poco naturales o
velocidad inadecuada
Voz a texto
Barreras motrices o
de escritura
Mayor autonomía para
producir respuestas
Errores de
reconocimiento de voz
Subtitulado
automático
Barreras auditivas
Mayor comprensión
de contenidos
audiovisuales
Omisiones y errores
terminológicos
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
252
Traducción
automática
Diferencias
lingüísticas
Acceso a
orientaciones y
materiales
Pérdida de significado
contextual
Simplificación
textual
Dificultades de
comprensión
Reducción de carga
cognitiva
Exceso de
simplificación
Reconocimiento
gestual
Barreras de
comunicación
Apoyo a la interacción
y expresión
Menor precisión en
patrones atípicos
Fuente:
elaboración propia con base en Melo
-
López et al. (2025), Voultsiou y
Moussiades (2025) y Li et al. (2025).
La Tabla 8 muestra que la accesibilidad no dependió únicamente de la existencia de
una función tecnológica. La precisión, la legibilidad, la facilid
ad de uso y la adaptación
al contexto determinaron si la herramienta reducía o generaba barreras.
3.4. Realidad virtual y habilidades sociales
La realidad virtual fue empleada principalmente para desarrollar habilidades sociales,
comunicación, reconocimien
to emocional y resolución de situaciones cotidianas. Yang
et al. (2025) analizaron 14 estudios realizados con niños y adolescentes con trastorno
del espectro autista. Seis investigaciones fueron clasificadas como de alta calidad,
cuatro como de calidad mod
erada y cuatro como de calidad baja.
Los resultados mostraron mejoras en habilidades sociales, especialmente en
actividades estructuradas y repetitivas. Los entornos virtuales permitieron practicar
interacciones sin la presión inmediata de una situación re
al y ofrecieron
retroalimentación controlada. Los beneficios fueron más frecuentes en estudiantes
capaces de seguir instrucciones y tolerar estímulos visuales y auditivos.
A pesar de estos resultados, seis estudios reportaron efectos adversos, entre ellos
mareo, fatiga visual, ansiedad y sobrecarga sensorial. Por esta razón, la efectividad no
pudo evaluarse únicamente mediante el cumplimiento de tareas. También fue necesario
considerar la duración de las sesiones, la intensidad de los estímulos y la respues
ta
emocional del estudiante.
3.5. Preparación y aceptación docente
La preparación del profesorado fue una condición determinante para la integración
pedagógica de la inteligencia artificial. Guo et al. (2025) analizaron la aceptación
docente mediante un in
strumento de 27 ítems aplicado a 274 docentes en formación. El
instrumento alcanzó una consistencia interna total de referencia de
α = .92
y organizó la
aceptación en utilidad percibida, facilidad de uso, intención conductual, autoeficacia y
ansiedad.
Los
docentes con mayor autoeficacia mostraron mayor disposición para explorar
herramientas, adaptar recursos y revisar resultados. En cambio, la ansiedad, la falta de
capacitación y la percepción de complejidad limitaron la continuidad de uso. Amouri et
al. (2
025) señalaron que la intención de adoptar inteligencia artificial aumentó cuando
las herramientas se percibieron como compatibles con la práctica educativa y con
beneficios concretos.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
253
Los resultados también mostraron que la capacitación exclusivamente téc
nica fue
insuficiente. Los docentes necesitaron competencias para evaluar la precisión de las
respuestas, detectar sesgos, proteger datos y decidir cuándo una herramienta no era
pertinente. La formación pedagógica y ética actuó como mediadora entre la
disp
onibilidad tecnológica y su aplicación inclusiva.
3.6. Infraestructura y condiciones institucionales
Las condiciones institucionales influyeron directamente en la sostenibilidad de las
aplicaciones. En el estudio reportado por Santisteva (2025), el 80 % de
los docentes
percibió mejoras de accesibilidad mediante herramientas basadas en inteligencia
artificial; sin embargo, el 50 % señaló falta de capacitación y el 45 % reportó
infraestructura insuficiente. Estos datos reflejan una diferencia entre la valorac
ión
positiva de las funciones y la capacidad real de mantenerlas en la práctica.
La conectividad, la disponibilidad de dispositivos, el soporte técnico y el liderazgo
institucional aparecieron como factores recurrentes. Las instituciones con protocolos
def
inidos y responsables identificados mostraron una integración más ordenada. En
cambio, la ausencia de normas produjo usos aislados, duplicación de tareas y
dificultades para evaluar resultados.
La Tabla 9 sintetiza los factores institucionales que favoreci
eron o limitaron la
implementación.
Tabla 9. Condiciones institucionales asociadas con la implementación de IA
inclusiva
Condición
Efecto favorable
Consecuencia de su
ausencia
Formación docente
Uso crítico y vinculado con objetivos
educativos
Aplicación superficial o
abandono
Conectividad
Continuidad de actividades y acceso
a plataformas
Interrupciones y
desigualdad
Disponibilidad de
dispositivos
Participación sostenida de los
estudiantes
Acceso limitado o
compartido
Soporte técnico
Resolución oportuna de problemas
Sobrecarga del docente
Liderazgo institucional
Coordinación y definición de
responsabilidades
Usos dispersos
Protocolos de datos
Mayor seguridad y confianza
Exposición de información
sensible
Evaluación
periódica
Identificación de beneficios y riesgos
Continuidad sin evidencia
Fuente:
elaboración propia con base en Santisteva (2025), Melo
-
López et al. (2025) y
Guo et al. (2025).
Como se muestra en la Tabla 9, la infraestructura constituyó una condición necesaria,
pero no suficiente. La implementación también dependió de formación, sopo
rte,
liderazgo y mecanismos de evaluación.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
254
3.7. Participación familiar
La participación familiar se relacionó con una mayor continuidad de los apoyos. Wang
et al. (2026) reportaron que la asociación entre servicios de inteligencia artificial y
efectividad percibida fue de
β = 0.17
cuando la participación familiar era baja y de
β =
0.45 cuando era alta. Este resultado indica que el involucramiento familiar fortaleció la
relación entre el uso de la tecnología y los resultados educativos.
Las famil
ias contribuyeron a identificar efectos que no siempre eran visibles en el aula,
como fatiga, ansiedad, dependencia o dificultades de uso en el hogar. También
facilitaron la continuidad de estrategias relacionadas con comunicación, organización y
autonomía
.
Los estudios señalaron la necesidad de
informar a las familias sobre la finalidad de la
herramienta, los datos recopilados y las medidas de protección. La transparencia
favoreció la confianza y redujo el uso informal de aplicaciones no autorizadas.
3.8. Resultados educativos y psicoeducativos
L
os hallazgos cuantitativos mostraron una relación favorable, aunque condicionada,
entre la integración pedagógica de inteligencia artificial y los resultados inclusivos. La
Tabla 10 integra las principales evidencias numéricas y su relación con aprendizaje
,
habilidades sociales, accesibilidad y participación.
Tabla 10. Síntesis de hallazgos cuantitativos asociados con resultados inclusivos
Fuente:
elaboración propia con base en Li et al. (2025), Yang et al. (2025), Guo et al.
(2025), Santisteva (2025) y Wan
g et al. (2026).
Resultado
Evidencia
cuantitativa
Hallazgo principal
Interpretación
Aprendizaje y
participación
Revisión de 16
estudios empíricos
Mejoras con
retroalimentación y rutas
adaptativas
La personalización
facilita el acceso al
currículo
Habilidades
sociales
14 estudios sobre
realidad virtual
Resultados favorables
con presencia de
efectos adversos
Se requieren
protocolos de
seguridad sensorial
Aceptación
docente
274 participantes;
instrumento de 27
ítems;
α = .92
La aceptación depende
de
utilidad, facilidad,
autoeficacia y ansiedad
La formación media la
integración
pedagógica
Accesibilidad
percibida
80 % percibe mejora;
50 % falta de
formación; 45 %
infraestructura
insuficiente
Alta valoración con
barreras institucionales
El efecto depend
e de
condiciones
organizacionales
Participación
familiar
β = .17
con baja
participación y
β = .45
con alta participación
La familia fortalece la
efectividad percibida
La IA opera en un
ecosistema escuela
-
hogar
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
255
Los datos de la Tabla 10 muestran que la relación entre inteligencia artificial y educación
inclusiva no fue directa ni uniforme. Los efectos fueron más consistentes cuando
existieron objetivos pedagógicos claros, docentes preparados, infr
aestructura suficiente,
participación familiar y mecanismos de supervisión. En ausencia de estas condiciones,
la disponibilidad tecnológica no produjo necesariamente cambios sostenibles.
3.9. Riesgos éticos y profesionales
Los principales riesgos identific
ados fueron privacidad, sesgo algorítmico, dependencia
tecnológica, opacidad de los sistemas, brecha digital y sobrecarga sensorial. El manejo
de información sobre diagnósticos, rendimiento, comportamiento y antecedentes
familiares fue considerado especial
mente sensible.
El sesgo apareció cuando los modelos fueron entrenados con poblaciones poco
representativas. Esto podía afectar el reconocimiento de determinados acentos,
patrones de habla o formas de comunicación y producir recomendaciones
inadecuadas.
Los estudios recomendaron validación contextual, auditorías y revisión interdisciplinaria.
La dependencia tecnológica se observó cuando las recomendaciones automáticas
fueron utilizadas sin suficiente contraste profesional. En estos casos, exi
stía el riesgo de
sustituir la interpretación educativa por patrones estadísticos. La Tabla 11 presenta los
riesgos y las respuestas propuestas en la literatura.
Tabla 11. Riesgos asociados con la adopción de inteligencia artificial inclusiva
Riesgo
Manife
stación
Efecto posible
Respuesta
recomendada
Privacidad
Uso de datos
académicos,
diagnósticos o
familiares
Exposición de
información sensible
Minimización,
anonimización y
consentimiento
Sesgo
algorítmico
Modelos poco
representativos
Recomendaciones
injustas o imprecisas
Auditoría y validación
contextual
Dependencia
tecnológica
Uso de resultados
automáticos como
decisión final
Reducción del juicio
profesional
Supervisión humana y
protocolos de
verificación
Opacidad
Imposibilidad de
explicar un resultado
Dificultad para revisar
decisiones
Uso de sistemas
explicables y
documentación
Brecha digital
Falta de conectividad o
dispositivos
Incremento de
desigualdades
Alternativas
accesibles e inversión
institucional
Sobrecarga
sensorial
Exposición intensa a
entornos inmersivos
Fatiga, ansiedad o
rechazo
Sesiones breves y
monitoreo individual
Fuente:
elaboración propia con base en Melo
-
López et al. (2025), Voultsiou y
Moussiades (2025), Yang et al. (2025) y Lockwood et al. (2026).
La Tabla 11 evidencia que los riesgos no son exclusivamente tecnológicos. También
afectan la calidad de la intervención, l
a confianza institucional y la equidad. La
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
256
supervisión profesional, la protección de datos y la evaluación continua fueron las
respuestas más reiteradas.
4.
Discusión
4.1. Integración pedagógica y personalización del aprendizaje
Los hallazgos
confirman que la contribución de la inteligencia artificial a la educación
inclusiva depende menos de la presencia de una tecnología específica que de la forma
en que esta se integra en la planificación pedagógica. Los sistemas adaptativos y los
tutores in
teligentes mostraron utilidad para modificar dificultad, ritmo, secuencia y
retroalimentación, lo que puede facilitar el acceso al currículo y sostener la participación
de estudiantes que requieren apoyos diferenciados. Esta interpretación coincide con Li
et al. (2025), quienes identificaron resultados favorables cuando las funciones de IA
respondían a necesidades previamente delimitadas. En consecuencia, la
personalización no debería entenderse como la creación de trayectorias aisladas para
cada estudiante
, sino como la diversificación de medios que permiten avanzar hacia
objetivos educativos compartidos.
Esta distinción es relevante desde el Diseño Universal para el Aprendizaje. Meyer et al.
(2014) plantean que la variabilidad debe anticiparse ofreciendo m
últiples formas de
representación, acción, expresión y compromiso. Los resultados de esta revisión
sugieren que la IA puede operacionalizar parte de esos principios al transformar
formatos, graduar apoyos y generar retroalimentación; sin embargo, la adapta
ción
algorítmica puede convertirse en una nueva barrera si clasifica al estudiante de manera
rígida o reduce sus oportunidades a partir de patrones históricos. Por ello, la
personalización resulta inclusiva cuando amplía opciones y conserva la capacidad
do
cente para modificar, descartar o contextualizar las recomendaciones automáticas.
Además, los modelos de lenguaje pueden disminuir el tiempo requerido para simplificar
textos, elaborar ejemplos y producir materiales con distintos niveles de complejidad.
Es
te beneficio administrativo y pedagógico no elimina la necesidad de verificación. La
revisión mostró que los resultados generados pueden contener imprecisiones,
desajustes curriculares o simplificaciones excesivas. En términos psicoeducativos, una
respuest
a técnicamente correcta puede ser inadecuada para el perfil comunicativo,
emocional o cultural del estudiante. En consecuencia, la función de la IA debe
mantenerse como apoyo a la toma de decisiones y no como sustituto de la valoración
integral realizada p
or docentes, psicólogos y equipos interdisciplinarios (Lockwood et
al., 2026).
4.2. Accesibilidad multimodal, comunicación y realidad virtual
La accesibilidad multimodal constituyó otro hallazgo central. Las herramientas de texto
a voz, voz a texto, subtit
ulado, traducción automática, simplificación lingüística y
reconocimiento gestual pueden reducir barreras de acceso para estudiantes con
dificultades visuales, auditivas, motrices o comunicativas. Melo
-
López et al. (2025)
sostienen que estas aplicaciones a
mplían las oportunidades de participación, y los
resultados sintetizados en la Tabla 8 muestran que su aporte depende de la precisión,
legibilidad, facilidad de uso y adaptación al contexto. Esto significa que una función
diseñada para mejorar la accesibil
idad puede producir el efecto contrario cuando
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
257
introduce errores de transcripción, pérdida de significado o reconocimiento insuficiente
de acentos y patrones de habla.
Desde una perspectiva inclusiva, la accesibilidad no puede evaluarse únicamente por la
e
xistencia de una alternativa tecnológica. El criterio relevante es si esa alternativa
permite una participación efectiva, autónoma y comprensible. Esta interpretación se
relaciona con Booth y Ainscow (2011), para quienes la inclusión exige identificar y
di
sminuir barreras presentes en el entorno. También es consistente con el modelo social
de la discapacidad, que desplaza la atención desde el déficit individual hacia las
condiciones que restringen la participación (Oliver, 1983). En este sentido, la IA apor
ta
cuando modifica el entorno para hacerlo más flexible, pero pierde coherencia con la
inclusión cuando se utiliza para normalizar o clasificar formas diversas de comunicación.
Los resultados sobre realidad virtual requieren una lectura igualmente equilibr
ada. Yang
et al. (2025) reportaron mejoras en habilidades sociales mediante actividades
estructuradas y repetitivas, especialmente cuando los estudiantes podían practicar
interacciones en escenarios controlados. No obstante, también se registraron mareo,
f
atiga visual, ansiedad y sobrecarga sensorial. La presencia simultánea de beneficios y
efectos adversos evidencia que el éxito de una intervención no debe medirse solo por
el desempeño en tareas, sino también por el bienestar, la tolerancia sensorial y la
posibilidad de transferir lo aprendido a situaciones reales. En estudiantes autistas,
además, resulta pertinente evitar enfoques que interpreten las diferencias comunicativas
exclusivamente como déficits individuales; el problema de la doble empatía plante
a que
las dificultades de interacción también emergen de incomprensiones recíprocas entre
personas con experiencias comunicativas diferentes (Milton, 2012).
4.3. Preparación docente y condiciones institucionales
La preparación docente apareció como un fact
or decisivo para transformar la
disponibilidad tecnológica en una práctica inclusiva sostenida. Guo et al. (2025)
organizaron la aceptación de la IA en dimensiones como utilidad percibida, facilidad de
uso, intención conductual, autoeficacia y ansiedad. Es
tos resultados se relacionan con
el Modelo de Aceptación Tecnológica, que explica la adopción a partir de la utilidad y la
facilidad de uso percibidas (Davis, 1989; Venkatesh & Davis, 2000). Sin embargo, en
educación inclusiva la aceptación funcional es in
suficiente: el profesorado necesita
además criterios para valorar la calidad de los resultados, proteger información sensible,
detectar sesgos y relacionar cada herramienta con objetivos curriculares y necesidades
concretas.
La autoeficacia también ofrece
una clave interpretativa. De acuerdo con Bandura (1997),
la percepción de capacidad influye en la disposición para iniciar y sostener determinadas
conductas. En los estudios revisados, los docentes con mayor confianza para explorar
herramientas, ajustar re
cursos y revisar resultados mostraron una mayor disposición de
uso, mientras que la ansiedad y la falta de capacitación limitaron su continuidad. Por
ello, la formación debería combinar experiencias prácticas, acompañamiento y criterios
pedagógicos y ético
s, en lugar de reducirse a instrucciones operativas sobre
plataformas. Amouri et al. (2025) refuerzan esta lectura al señalar que la intención de
adopción aumenta cuando los docentes reconocen beneficios concretos y
compatibilidad con su práctica profesion
al.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
258
A nivel institucional, la conectividad, la disponibilidad de dispositivos, el soporte técnico
y el liderazgo condicionaron la sostenibilidad. Los datos de Santisteva (2025) muestran
una valoración positiva de la accesibilidad junto con brechas de capac
itación e
infraestructura, lo que evidencia que la intención de innovar puede superar la capacidad
real de implementación. La Tabla 9 confirma que la infraestructura es necesaria, pero
no suficiente: deben existir responsables, protocolos, soporte y evalua
ción periódica.
Sin estas condiciones, las experiencias tienden a depender de iniciativas individuales,
generar duplicación de tareas o profundizar desigualdades entre estudiantes con distinto
acceso tecnológico.
4.4. Participación familiar y enfoque ecoló
gico de la intervención
La participación familiar fortaleció la continuidad de los apoyos y aportó información
sobre efectos que pueden no ser visibles en el aula. Wang et al. (2026) encontraron que
la relación entre los servicios apoyados por IA y la efec
tividad percibida fue mayor
cuando el involucramiento familiar era alto. Este hallazgo puede interpretarse desde la
perspectiva ecológica de Bronfenbrenner (1979): el desarrollo y el aprendizaje no
dependen de un único escenario, sino de la interacción ent
re sistemas próximos, entre
ellos la familia y la escuela. La tecnología, por tanto, no actúa de forma independiente;
su utilidad se configura a partir de la coordinación entre estudiantes, docentes, familias
e institución.
En la práctica psicoeducativa, l
as familias pueden ayudar a identificar fatiga, ansiedad,
dependencia, frustración o dificultades de uso que no aparecen durante sesiones
estructuradas. También pueden favorecer la continuidad de estrategias de
comunicación y autonomía fuera del centro edu
cativo. No obstante, esta participación
requiere información comprensible sobre la finalidad de la herramienta, los datos que
recopila y las medidas de protección. La colaboración pierde legitimidad cuando las
familias desconocen qué información se procesa
o cuando se utilizan aplicaciones no
autorizadas. Por ello, la transparencia debe considerarse una condición de participación
y no únicamente un requisito administrativo.
4.5. Gobernanza ética, sesgo y supervisión profesional
Los riesgos éticos identifica
dos atraviesan todas las categorías de resultados. La
privacidad, el sesgo algorítmico, la opacidad, la dependencia tecnológica y la brecha
digital pueden afectar tanto la seguridad de la información como la equidad de la
intervención. En contextos psicoed
ucativos, los sistemas pueden procesar datos sobre
diagnósticos, rendimiento, comportamiento, antecedentes familiares o evolución
emocional; por ello, el principio de minimización de datos, el consentimiento informado,
la anonimización y la evaluación de p
roveedores deben incorporarse desde el diseño de
la intervención y no después de seleccionar la herramienta (Lockwood et al., 2026).
El sesgo algorítmico adquiere especial importancia cuando los modelos fueron
entrenados con poblaciones poco diversas. Una
menor precisión para determinados
idiomas, acentos, patrones de habla o formas de comunicación puede producir
recomendaciones injustas y reforzar barreras preexistentes. Desde el modelo social de
la discapacidad, una tecnología inclusiva debe contribuir a
modificar condiciones
excluyentes y no establecer nuevos criterios rígidos de normalidad (Oliver, 1983). En
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
259
consecuencia, la auditoría, la validación contextual y la revisión interdisciplinaria son
necesarias antes de convertir un resultado automático en u
na recomendación educativa.
La supervisión humana también responde al problema de la opacidad. Cuando un
sistema ofrece una recomendación sin permitir comprender qué información la sustenta,
disminuye la posibilidad de contrastarla con la historia, el cont
exto y los objetivos del
estudiante. Los hallazgos respaldan una relación de complementariedad: la IA puede
organizar información, sugerir alternativas y automatizar tareas, mientras que la
responsabilidad interpretativa y decisoria debe permanecer en prof
esionales capaces
de integrar dimensiones académicas, emocionales, sociales y familiares. Esta
delimitación protege el juicio profesional y evita que patrones estadísticos se conviertan
en decisiones finales sobre apoyos, expectativas o trayectorias educat
ivas.
4.6. Síntesis de los hallazgos, implicaciones y limitaciones
En conjunto, la evidencia muestra una relación favorable pero condicionada entre
inteligencia artificial y educación inclusiva. Los beneficios fueron más consistentes
cuando la tecnología r
espondió a una necesidad educativa definida, se articuló con el
Diseño Universal para el Aprendizaje, contó con docentes preparados, dispuso de
infraestructura y soporte, incorporó a las familias y operó bajo mecanismos de
protección de datos y supervisión
profesional. Esta combinación ayuda a explicar por
qué herramientas similares pueden producir resultados diferentes entre instituciones: la
efectividad no reside únicamente en la capacidad técnica del sistema, sino en el
ecosistema pedagógico y organizaci
onal en el que se utiliza.
Los hallazgos también permiten identificar una implicación práctica para la intervención
psicoeducativa: antes de incorporar una herramienta de IA deberían definirse la barrera
que se pretende reducir, el resultado esperado, los
responsables de supervisión, los
datos estrictamente necesarios y los criterios para suspender o modificar su uso.
Después de la implementación deben evaluarse no solo indicadores académicos, sino
también participación, autonomía, interacción social, biene
star y percepción de
estudiantes y familias. Este enfoque evita que la innovación se mida por cantidad de
plataformas utilizadas y la orienta hacia resultados inclusivos observables.
Finalmente, la interpretación de esta revisión debe considerar la
heterogeneidad de
poblaciones, tecnologías, diseños e instrumentos incluidos, así como la presencia de
estudios con muestras reducidas e intervenciones breves. La ausencia de metaanálisis
impide estimar un efecto agregado y obliga a entender los resultados
como tendencias
convergentes más que como efectos universales. Asimismo, la literatura disponible
presta mayor atención al rendimiento, la accesibilidad y la aceptación que a variables
de bienestar, autonomía y pertenencia. Se requieren estudios longitudi
nales, muestras
cultural y lingüísticamente diversas y evaluaciones que comparen resultados educativos
y psicosociales a mediano plazo. Estas limitaciones no invalidan los beneficios
identificados, pero subrayan que la adopción de IA en educación inclusiva
debe
permanecer sujeta a evaluación continua y a criterios de equidad, seguridad y
pertinencia pedagógica.
5.
Conclusiones
La revisión sistemática permitió establecer que la inteligencia artificial ofrece aportes
relevantes para la educación inclusiva y l
a intervención psicoeducativa, especialmente
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
260
en personalización del aprendizaje, accesibilidad multimodal, comunicación, habilidades
sociales y reducción de tareas administrativas. Estos beneficios son más consistentes
cuando las herramientas se integran c
on objetivos pedagógicos claros, se adaptan a las
características del estudiante y permanecen bajo supervisión profesional.
La preparación docente, la infraestructura, el liderazgo institucional y la participación
familiar condicionan la sostenibilidad de
las aplicaciones. La formación debe incluir
competencias pedagógicas, técnicas y éticas, mientras que las instituciones deben
establecer protocolos de protección de datos, validación de resultados y evaluación
periódica. La tecnología no sustituye el juici
o de docentes, psicólogos o equipos
interdisciplinarios, sino que actúa como recurso de apoyo.
La evidencia disponible es prometedora, pero aún presenta heterogeneidad
metodológica y una menor atención a indicadores de bienestar, autonomía y
pertenencia. S
e requieren estudios longitudinales, muestras diversas y evaluaciones
que integren resultados académicos, sociales y emocionales. La adopción responsable
de inteligencia artificial debe mantener como principio central la reducción de barreras,
la protecció
n de los estudiantes y la ampliación de oportunidades educativas.
Contribución de los autores:
Conceptualización: D.J.H.T. y M.A.C.T.; Metodología:
D.J.H.T. y M.A.C.T.; Análisis formal: D.J.H.T. y M.A.C.T.; Investigación: D.J.H.T. y
M.A.C.T.;
Curación de datos: D.J.H.T. y M.A.C.T.; Visualización: D.J.H.T. y M.A.C.T.;
Redacción del borrador original: D.J.H.T.; Redacción, revisión y edición: D.J.H.T. y
M.A.C.T.; Supervisión: M.A.C.T. Los autores han leído y aprobado la versión publicada
del manus
crito.
Financiamiento:
Esta investigación no recibió financiación externa.
Conflicto de intereses:
Los autores declaran no tener ningún conflicto de intereses.
Declaración de disponibilidad de datos:
Los datos están disponibles previa solicitud
a los autor
es de correspondencia:
dhuacont2@unemi.edu.ec
Referencias Bibliográficas
Ainscow, M. (2020). Promoting inclusion and equity in education: lessons from
international experiences. Nordic Journal of Studies in Ed
ucational Policy, 6(1), 7
-
16.
https://doi.org/10.1080/20020317.2020.1729587
Amouri, H., Haroud, S., Ouchaouka, L., & Saqri, N. (2025). Acceptability of artificial
intelligence in inclusive education: A TAM2
-
based study among preservice teachers.
Frontiers
in Artificial Intelligence, 8, 1616327.
https://doi.org/10.3389/frai.2025.1616327
Bandura, A. (1997). Self
-
efficacy: The exercise of control. W. H. Freeman.
Booth, T., & Ainscow, M. (2011). Index for Inclusion: Developing learning and
participation in scho
ols. Centre for Studies on Inclusive Education.
Bronfenbrenner, U. (1979). The ecology of human development. Harvard University
Press.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
261
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance
of information technology.
MIS
Quarterly, 13(3), 319
-
340.
https://doi.org/10.2307/249008
Fernández
-
Archilla, J. A., Aguilar
-
Parra, J. M., Álvarez
-
Hernández, J. F., Luque de la
Rosa, A., Echeita, G., & Trigueros, R. (2020).
Validation of the Index for Inclusion
Questionnaire for Parents
of Non
-
University Education Students. International Journal
of Environmental Research and Public Health, 17(9), 3216.
https://doi.org/10.3390/ijerph17093216
Guo, S., Shi, L., & Zhai, X. (2025). Developing and validating an instrument for teachers’
acceptan
ce of artificial intelligence in education. Education and Information
Technologies.
https://doi.org/10.1007/s10639
-
025
-
13338
-
6
Hernández Castro, P. E. (2025).
La inteligencia artificial: un recurso educativo para
mejorar el rendimiento académico de los est
udiantes universitarios.
Revista Sinapsis,
17(1), 1
-
12.
Li, J., Yan, Z., & Zeng, X. (2025). Exploring artificial intelligence in inclusive education:
A systematic review of empirical studies. Applied Sciences, 15(23), 12624.
https://doi.org/10.3390/app1523
12624
Lockwood, A. B., Shergill, K., Choi, D., Kim, S., Farmer, R. L., & Sansosti, F. J. (2026).
Smart tools, wise practice: Ethical integration of AI in school psychology. Journal of
Applied School Psychology, 42(1), 45
-
68.
Melo
-
López, V. A.,
Basantes
-
Andrade, A., Gudiño
-
Mejía, C. B., & Hernández
-
Martínez,
E. (2025). The impact of artificial intelligence on inclusive education: A systematic
review. Education Sciences, 15(5), 539.
https://doi.org/10.3390/educsci15050539
Meyer, A., Rose, D. H., &
Gordon, D. (2014). Universal design for learning: Theory and
practice. CAST Professional Publishing.
Milton, D. E. M. (2012). On the ontological status of autism: The double empathy
problem. Disability & Society, 27(6), 883
-
887.
https://doi.org/10.1080/09
687599.2012.710008
Oliver, M. (1983). Social work with disabled people. Macmillan.
Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan: a web
and mobile app for systematic reviews. Systematic Reviews, 5, 210.
https://doi.org/10.1186/s
13643
-
016
-
0384
-
4
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E
. W., Mayo
-
Wilson, E.,
McDonald, S., ... Moher, D. (2021). The PRISMA 2020 statement: an updated
guideline for reporting systematic reviews.
BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Santisteva, D. (2025). La inteligencia artificial como herramienta d
e inclusión educativa:
adaptación de materiales para estudiantes con necesidades especiales.
Educational
Regent Multidisciplinary Journal, 2(4), 1
-
15.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
3
|
Jul
–
Sep
| 202
6
| www.horizonnexusjournal.editorialdoso.com
262
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the Technology
Acceptance Model: Four lo
ngitudinal field studies. Management Science, 46(2), 186
-
204.
https://doi.org/10.1287/mnsc.46.2.186.11926
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of
information technology: Toward a unified view. MIS Quarterly, 27
(3), 425
-
478.
https://doi.org/10.2307/30036540
Voultsiou, E., & Moussiades, L. (2025). A systematic review of AI, VR, and LLM
applications in special education: Opportunities, challenges, and future directions.
Education and Information Technologies, 30, 1
9141
-
19181.
https://doi.org/10.1007/s10639
-
025
-
13550
-
4
Wang, Y., Zhang, L., Chen, H., & Liu, J. (2026). AI
-
enabled services and perceived
effectiveness in special education: The moderating role of family involvement.
Frontiers in Psychology, 17, 1772998.
Y
ang, X., Wu, J., Ma, Y., Yu, J., Cao, H., Zeng, A., & Ren, Z. (2025). Effectiveness of
virtual reality technology interventions in improving the social skills of children and
adolescents with autism: Systematic review.
Journal of Medical Internet Research,
27, e60845.
https://doi.org/10.2196/60845